随着移动终端的流行和互联网带宽的提升,人们在各种社交网络上发布分享的图像和视频数据也逐渐增多,以图像和视频作为主要媒介的多媒体社交网络如Facebook、抖音等成为了时下流行的应用软件。在过去,由于多媒体数据如图像或视频数据的多样性,想要直接从这些数据中挖掘出用户的隐私信息是困难的。但随着人工智能技术的发展进步,尤其是深度神经网络在图像处理领域取得的巨大进步,从图像或视频中直接挖掘用户的隐私信息的可行性有了一定程度的增加。因此,多媒体数据中的隐私信息泄露问题开始逐渐突出。对应的,有关对抗人工智能技术来保护多媒体数据隐私的研究目前却略显不足。社交媒体上的用户对于人工智能对其多媒体数据进行数据挖掘这一行为普遍缺乏相应的保护措施。针对这一特定问题,本文提出了以对抗样本技术做为基础解决方案的思路,设计了相应的多媒体用户偏好保护方案。本文所做的具体工作内容如下:(1)本文设计提出了一种基于对抗样本的多媒体用户偏好保护方案,该方案的核心措施为给用户上传的多媒体数据添加对抗样本。通过这种行为,本文所设计的方案为可以一定程度上破坏人工智能技术对用户偏好数据的挖掘效果,从而达到保护用户偏好数据的目的。之后,本文基于对抗样本生成时间、算法攻击成功率、算法迁移性质三个指标,分别在实验环境与实际生产环境下测试了本文所提出的多媒体用户偏好保护方案的可行性。实验结果表明,本文提出的用户偏好保护方案可以成功地减少用户的多媒数据中的偏好信息的泄露;(2)针对当前视频对抗样本生成算法的性能不符合实际需求的现状,本文提出了一种新的结合目标攻击与无目标攻击的视频对抗样本生成算法,即双步稀疏视频对抗样本攻击算法(Double-Step Sparse Adversarial Perturbations For Videos,DSSAPV)。实验结果表明,本文提出的DS-SAPV算法相较稀疏视频对抗样本攻击算法(Sparse Adversarial Perturbations For Videos,SAPV)在样本生成速度大幅提升的情况下成功率只有小幅度的下降,更加符合实际的应用需求。因而,在用户上传视频之前,首先应用本文所设计的方案并使用DS-SAPV为视频添加扰动可以快速且有效地防止用户的偏好信息被挖掘。